Εξέλιξη μιας ετερογενούς υβριδικής ακραίας μηχανής μάθησης

Περίληψη

Οι υβριδικοί αλγόριθμοι βελτιστοποίησης έχουν κερδίσει δημοτικότητα καθώς έχει γίνει προφανές ότι δεν μπορεί να υπάρξει μια καθολική στρατηγική βελτιστοποίησης που να είναι πιο ωφέλιμη από οποιαδήποτε άλλη. Παρά τη δημοτικότητά τους, τα πλαίσια υβριδισμού απαιτούν πιο λεπτομερή κατηγοριοποίηση σχετικά με: τη φύση του τομέα του προβλήματος, τους αλγόριθμους που τα συνθέτουν, το σχήμα σύζευξης και την επιδιωκόμενη περιοχή εφαρμογής. Αυτή η διατριβή προτείνει έναν υβριδικό αλγόριθμο που ονομάζεται ετερογενής υβριδική ακραία μηχανή μάθησης για την εύρεση του βέλτιστου πολυστρωματικού perceptron με ένα κρυφό επίπεδο που επιλύει ένα συγκεκριμένο πρόβλημα. Αυτό επιτυγχάνεται συνδυάζοντας τον αλγόριθμο εκπαίδευσης της ακραίας μηχανής μάθησης με έναν αλγόριθμο εξελικτικής υπολογιστικής. Η ερευνητική διαδικασία συμπληρώνεται από μια σειρά προκαταρκτικών πειραμάτων πριν από τον υβριδισμό που διερευνούν σε βάθος τα χαρακτηριστικά του αλγορίθμου ακραίας μηχανής μάθησης. Η ετερογενής υβριδική ακραία ...
περισσότερα

Περίληψη σε άλλη γλώσσα

Hybrid optimization algorithms have gained popularity as it has become apparent there cannot be a universal optimization strategy which is globally more beneficial than any other. Despite their popularity, hybridization frameworks require more detailed categorization regarding: the nature of the problem domain, the constituent algorithms, the coupling schema and the intended area of application.This thesis proposes a hybrid algorithm named heterogeneous hybrid extreme learning machine (He-HyELM) for finding the optimal multi-layer perceptron (MLP) with one hidden layer that solves a specific problem. This is achieved by combining the extreme learning machine (ELM) training algorithm with an evolutionary computing (EC) algorithm.The research process is complemented by a series of preliminary experiments prior to hybridization that explore in depth the characteristics of the ELM algorithm. He-HyELM uses a pool of custom created neurons which are then embedded in a series of ELM trained M ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/51006
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/51006
ND
51006
Εναλλακτικός τίτλος
Evolution of a heterogeneous hybrid extreme learning machine
Συγγραφέας
Χρήστου, Βασίλειος του Παναγιώτης
Ημερομηνία
2019
Ίδρυμα
University of Manchester
Εξεταστική επιτροπή
Shapiro Jonathan
Woodward John
Brown Gavin
Επιστημονικό πεδίο
Φυσικές ΕπιστήμεςΕπιστήμη Ηλεκτρονικών Υπολογιστών και Πληροφορική ➨ Τεχνητή νοημοσύνη
Λέξεις-κλειδιά
Υβριδικός αλγόριθμος; Γενετικός αλγόριθμος
Χώρα
Ηνωμένο Βασίλειο
Γλώσσα
Αγγλικά
Άλλα στοιχεία
εικ., πιν.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)